AIとがん研究 ── がん一般 ── 2026-10-22
がん一般の分子生物学の進展とAI
- Non-contrast CT radiomics for identifying nonfunctioning kidneys: a multicenter development and external validation study.抄録（全訳）
目的：泌尿器科診療では、閉塞、腫瘍、萎縮のある腎臓を切除するか温存するかは、分腎機能を見て決める。基準となる検査はシングルフォトンエミッションCT（SPECT）腎動態シンチグラフィだが、多くの資源を要する。そこで、非機能腎を識別してこの場面の意思決定を支える、単純CTラジオミクスモデルを構築し、外部検証した。
方法：3施設の後ろ向き研究（TRIPOD+AI：予測モデルの報告基準）である。対象は成人で、72時間以内に単純CTとSPECT腎動態シンチグラフィを受けていた。PyRadiomicsでIBSI（画像バイオマーカー標準化イニシアチブ）準拠のラジオミクス特徴量を抽出し、左右の腎の非対称性特徴量を構築した。Spearman相関、再帰的特徴量削除、LASSO（最小絶対縮小・選択法）の3段階選択を経て、12の機械学習モデルを構築した。独立した2つのコホートで外部検証した。Radスコアと臨床ノモグラムも作成した。
結果：対象は1029例で、内部コホートは418例だった。特徴量は23個が残った。ランダムフォレストモデルの内部テスト成績は、ROC曲線下面積（AUC）0.9426、感度85.5%、特異度88.3%、陰性的中率95.6%だった。外部検証のAUCは0.875と0.913だった。ノモグラムの外部AUCは0.920と0.881だった。訓練データで定めた閾値では、ランダムフォレストの外部感度は66.0%と76.4%、陰性的中率は94.8%と93.3%だった。ノモグラムは感度92.5%と93.7%、陰性的中率98.3%と97.2%だった。臨床変数や単純なCTのサイズ・非対称性の測定値から作ったロジスティック回帰のベースラインを、2つのラジオミクスモデルはいずれも上回った。ただし、両者を組み合わせたベースラインに対する差は、1つの外部コホートでは統計学的に有意ではなかった。Radスコアは片腎の糸球体濾過率（GFR）と相関し（ρ = -0.738、P < 0.001）、リスク層別化にも役立った。
結論：単純CTラジオミクスは、造影剤も放射性トレーサーも使わずに非機能腎を識別した。単純CTは泌尿器科の日常の精査にすでに組み込まれている。非造影CTは泌尿器科の通常検査に含まれるため、外部検証を終えたこの除外判定ツールは、不要なSPECT検査を減らし、腎摘除術とネフロン温存治療のどちらを選ぶかの判断を支える可能性がある。
掲載誌の IF 相当：1.9（OpenAlex の直近 2 年の平均被引用数・2026-10-21 時点の値、2026-10-22 に取得。正式な IF（Clarivate）ではない）書誌：Jiang Y, Zheng Y, Feng Z, Bao L, Wei Q. Non-contrast CT radiomics for identifying nonfunctioning kidneys: a multicenter development and external validation study. Int Urol Nephrol. 2026 Oct 20 [Epub ahead of print]. doi:10.1007/s11255-026-05451-3. PMID: 42902104.確認の範囲：抄録のみ確認 - SAFARI: A Self-supervised Tumor-Agnostic Framework for Radiomics Representation Learning in Oncology Practice抄録（全訳）
従来のラジオミクスには二つの課題がある。特徴量の設計が手作業に頼るものであり、腫瘍の種類が変わると成績が落ちやすい。本論文はSAFARI（Self-supervised Tumor-Agnostic Framework for Radiomics Representation Learning）を提案する。疾患の種類に依存しない腫瘍の特徴を学ぶ、新しい自己教師ありのラジオミクスモデルである。SAFARIはトランスフォーマー構造を基盤とする。学習戦略は2つの目的を組み合わせた。特徴量の一部を隠して再構成する学習と、腫瘍部分領域の間での対照学習である。訓練データは6大がん種（肺、肝、大腸、腎、膵、大腸がん肝転移）の1,086例である。学習には、6種の主要がんの1,086例から得た27,144の腫瘍部分領域について、1,218個のラジオミクス特徴量を用いた。762例の独立データセットでの転移学習実験では、固定したSAFARIの埋め込み表現が、対応する従来のラジオミクスのベースラインを複数の下流タスクで上回った。成績の差が大きかったのは次の3つである。胆嚢がんのHER2ステータス予測では、ROC曲線下面積（AUC）が0.758 対 0.610だった。非小細胞肺がん（NSCLC）の組織型判定では、正解率が71.3% 対 62.1%だった。EGFR変異ステータス予測では、AUCが0.805 対 0.690だった。本論文は、単一の事前学習済みモデルが、大半の評価項目で対応するタスク特化型ベースラインを上回ることを示した。単一の事前学習モデルが大半の評価項目でタスク別のベースラインを上回ったことから、SAFARIはがんのラジオミクス解析に、より頑健な新しい枠組みをもたらす。
掲載誌の IF 相当：3.2（OpenAlex の直近 2 年の平均被引用数・2026-10-20 時点の値、2026-10-21 に取得。正式な IF（Clarivate）ではない）書誌：Gupta P, Bose K, Dutta N, Mudgil P, Arora C. SAFARI: A Self-supervised Tumor-Agnostic Framework for Radiomics Representation Learning in Oncology Practice. ACM Trans Comput Healthcare. 2026 Oct 19 [Epub ahead of print]. doi:10.1145/3859479.確認の範囲：抄録のみ確認 - An artificial intelligence-assisted PARP-1-targeted PET imaging agent [ 68 Ga]Ga-DOTA-FZPF: From bench to clinic.抄録（全訳）
68Ga標識のポリ(ADP-リボース)ポリメラーゼ（PARP）標的プローブには、臨床データがまだ報告されていない。放射性トレーサー開発を支援する統合的な人工知能（AI）ワークフローも、まだ整備されていない。そこで、放射性トレーサーの開発と臨床移行を支えるため、AI支援による多段階の候補絞り込みワークフローを構築した。続いてPARP-1標的の68Ga標識プローブ2種を合成し、in vitro、in vivo、臨床の各評価で性能を確かめた。AI誘導の多目的ワークフローは4つの要素からなる。分子生成にはエンコーダ・デコーダ型の再帰型ニューラルネットワーク（RNN）を、ドッキングのスコアリングには畳み込みニューラルネットワーク（CNN）を用いた。合成のしやすさの選別にはSCScore（Synthetic Complexity Learned from a Reaction Corpus）を使い、さらに深層ニューラルネットワーク（DNN）も組み合わせた。このワークフローで、誘導体化が可能なFuzuloparib類縁体（NH2-FZPF）を優先候補に選び、キレーターの導入先を決めた。こうして得たDOTA-FZPFとNOTA-FZPFを前駆体として、68Ga標識に進んだ。[68Ga]Ga-DOTA-FZPFと[68Ga]Ga-NOTA-FZPFは、いずれも高い放射化学的純度、安定性、PARP-1標的特異性を示した。腫瘍モデルでは、[68Ga]Ga-DOTA-FZPFは腫瘍への取り込みが良好で、背景からのクリアランスも速かった。この結果が、追加評価に進む根拠となった。Fuzuloparibの標的結合を調べる探索的な陽電子放出断層撮影（PET）評価では、[68Ga]Ga-DOTA-FZPFの特異性と機能が確認された。これはPARP阻害薬の標的結合と薬力学を生体内で評価する根拠となる。本研究では、がん患者4例を対象に、[68Ga]Ga-DOTA-FZPFを用いたPET/CT検査を行った。生検組織では、PET/CT陽性病変はPARP-1の高発現領域と一致していた。本研究は、AIの合理的設計ワークフローが放射性トレーサー設計の意思決定を支えられることを示した。このAIによる合理的設計の流れは、合成の実現可能性と臨床応用への見通しを保ちながら、放射性トレーサー設計の意思決定を支えうることを示した。これらの初期的知見は、[68Ga]Ga-DOTA-FZPFの臨床実行可能性を支持する。PARP-1発現を非侵襲的に評価し、生体内の標的占有率と薬力学を経時的に追跡する手法として有望であることが示唆される。
掲載誌の IF 相当：6.6（OpenAlex の直近 2 年の平均被引用数・2026-10-20 時点の値、2026-10-21 に取得。正式な IF（Clarivate）ではない）書誌：Ji M, Jiang C, Xi Y, Liu S, He S, Zhang J, et al. An artificial intelligence-assisted PARP-1-targeted PET imaging agent [68Ga]Ga-DOTA-FZPF: From bench to clinic. Materials Today Bio. 2026 Dec;41:103728. doi:10.1016/j.mtbio.2026.103728.確認の範囲：抄録のみ確認 - Learning chemical-induced gene expression perturbations with WAVE.抄録（全訳）
化学物質が誘導する転写プロファイルは、化合物による発現の撹乱を体系的に調べる手段であり、作用機序を知る重要な手がかりになる。特に分子標的がよく分かっていない化合物で価値が大きい。ただし、すべての細胞株と化合物の組み合わせで発現プロファイルを実測するのは現実的でない。そのため、比較トランスクリプトミクスの創薬スクリーニングへの大規模な応用は限られてきた。この課題に対し、深層学習フレームワークのWAVE（Wave Action-of-Drug with Variational Encoder）を開発した。化学構造と、細胞株や単一細胞の基底状態から、遺伝子発現プロファイルを予測する。WAVEは、β変分オートエンコーダ（β-VAE）の枠組みを用いて、薬物の分子表現と細胞の基底転写プロファイルを統合する。これにより、未試験の化学物質が誘導する転写プロファイルを正確に予測する。このように細胞の情報と分子の特性を統合することで、WAVEはin silico摂動実験に基づく創薬とドラッグリポジショニングで優れた性能を示す。肺腺がん（LUAD）の創薬に応用したところ、有効な可能性のある化合物を特定できることが示された。以上の結果から、WAVEは候補薬の作用機序の解明にも、大規模な薬物スクリーニングにも役立つことが分かった。
掲載誌の IF 相当：18.1（OpenAlex の直近 2 年の平均被引用数・2026-10-06 時点の値、2026-10-07 に取得。正式な IF（Clarivate）ではない）書誌：Lv T, Chen B, Dai X, Gao M, Zhu B, Shen M, et al. Learning chemical-induced gene expression perturbations with WAVE. Nat Commun. 2026 Sep 18;17(1):10995. doi:10.1038/s41467-026-77645-3. PMID: 42901891.確認の範囲：抄録のみ確認